本篇文章给大家谈谈东阳光铝股票，以及股票分析网站的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

文章详情介绍：

• 1,2022年归母和扣非净利润均创历史新高 东阳光迎接新能源上扬时代
• 2,「手把手教你」股票可视化分析之Pyecharts（一）

2022年归母和扣非净利润均创历史新高 东阳光迎接新能源上扬时代

《投资者网》谢亦楠

乘着新能源产业加速变革的东风，广东东阳光科技控股股份有限公司（以下简称“东阳光”,600673.SH）正踏上业绩高增长之路。

2022年，公司营业收入117亿元，归母净利润12.43亿元，同比增长42.25%；扣非净利润9.51亿元，同比增长323.27%，创历史新高。不仅如此，其平均净资产收益率达到13.5%，同比增加2.33个百分点。

行业分析师表示，东阳光净利润保持高增长，经营能力呈现出强大韧性。实施股权激励完善公司长效激励机制，可见公司对未来前景信心十足。目前行业需求旺盛，未来业绩持续稳健增长的态势可期。

技术创新降本增效

十多年前，中国新能源产业方兴，遭遇震荡，原材料、市场、核心技术等都受到国外“卡脖子”所困。作为加工工序多、厚度小、难度大的铝材产品，电极箔是铝电解电容器中的核心原料，广泛存在于电子信息、能源电力、汽车、工业设备等众多领域。

另一方面，电极箔要处理的是复杂、脆弱的材料，轧制精度要求严苛。设计和制造这样的产品，面临技术、良品率、设备、认证等壁垒，没有现成答案，更多依靠经验和试错，弯道超车几乎不可能。

东阳光重点优化产品工艺，提高命中率及节电效率，通过不断技术创新，降本增效，在国际市场上获得了成本优势。

不仅如此，公司还推动积层化成箔工艺的开发，产品采用与日本东阳铝业共同研发的新一代电极箔技术，具备高比容、体积小和环保等明显优势。

目前，东阳光积层化成箔产品已通过了路碧康、尼吉康电容器论证，并在内蒙古乌兰察布市投资规划建设4000万平方米新型积层箔项目。其与UACJ株式会社的电池铝箔合作项目产品已通过松下、村田等行业高端日系客户认证审核，并已开始量产供货。

而这只是东阳光突破技术壁垒的冰山一角。在电子元器件领域，东阳光坐拥国内最大的化成箔工厂，其产品已能够覆盖低压、中高压全系列，产能规模全球领先。

面对全球一流的供应商，技术水平领先的企业拥有更强的议价能力，通过降本提升企业盈利能力。在客户端，东阳光已与国内外知名企业建立稳定的供销关系，包括国内外知名铝电解电容器制造企业NCC、RUBYCON、NICHICON等，顶级汽车零部件供应商日本电装、德国马勒贝洱、法国法雷奥、韩国翰昂等，和国内主流空调生产企业格力、美的、松下、LG、海尔、海信等。

打造新能源“全链条”

“价格贵”和“品质差”是新能源产业发展面临的“两座大山”，贯穿式的产业链和精细化运营可以扳倒“两座大山”。

东阳光致力于覆盖电子及储能全产业链。11月7日，东阳光发布公告，子公司狮溪煤业于当日与广汽零部件、遵义能源签署了《合资合同》，设立合资公司贵州省东阳光新能源科技有限公司，推进取得贵州省遵义市桐梓县狮溪镇铝多金属（锂资源）矿床矿产资源的探矿权，并实施矿产地质勘查及后续采矿权的获取。

有赖于如此聚合资源开放共享，东阳光已拥有全球唯一的“电子光箔-腐蚀泊（积层箔）-化成箔-铝电解电容器”的一体化电子元器件产业链、空调热交换器产业链和氯氟循环经济产业链，业务板块涵盖电子元器件、高端铝箔、化工新材料、能源材料，更为良性的产业链条得以盘活。

从营收规模来看，电子元器件和高端铝箔构成公司业绩的基本盘，化工新材料和能源材料则成为新的增长点。2022年，东阳光化工新材料、能源材料的营收规模同比增长29.34%和53.19%。其中，能源材料毛利率同比增加增加16.23个百分点。

全产业链布局，意味着更强大的研发投入动力。截至目前，东阳光已成为国内少数几家同时掌握磷酸铁锂、三元材料、磷酸铁、三元前驱体量产技术，且具备量产能力的企业之一。

值得一提的是，东阳光研究院被评为国家技术中心（“广东省工程技术研发中心”）。公司在研发方面不断取得突破，如“固态电容器用高速变频低压软态腐蚀箔关键技术研发及应用”获广东省科技进步二等奖。

迎接新能源上扬时代

党的二十大报告指出，加快建设新能源产业体系，将新能源发展作为加快构建新发展格局,着力推动高质量发展的重要引擎。

随着低碳经济兴起，新能源产业进入黄金发展期，技术进步提速，市场群雄竞逐，东阳光也在政策推动下进入发展“快车道”。

为满足下游客户需求以及日渐提升的新能源汽车电池市场需求，子公司乳源东阳光新能源材料在广东省韶关市投资扩建年产5万吨锂离子电池正极材料磷酸铁锂项目，预计总投资额不超过14亿元。

2022年，公司持续推进乌兰察布中高压化成箔扩建项目，现共计100条生产线已竣工投产，年产能3000万平米。湖北省宜都低碳高端电池铝箔项目，目前一期5万吨项目已完成所有大型非标定制设备的基础施工等工作，现已全面启动设备安装工程。

新能源的潮汐正在飞速涌向千行百业。转型无止境，企业都要有“西游”的心态和韧劲，才能持续“打怪”和迭代，正是凭借前瞻性的战略以及高效的管理能力，东阳光如今成长为行业侧目的超级黑马。

自2021年下半年开始，东阳光陆续推出限制性股票和员工持股计划等股权激励计划，并做出业绩考核目标，其中，限制性股票第一期已解除限售并上市流通；而对于员工持股计划，2022年及2023年，公司营收目标值分别为130亿元、145亿元，利润总额目标值15亿元、19.36亿元，目前公司员工持股计划第一个解锁期的目标值已基本达成。

中信证券指出，公司在高端铝箔制造经过多年深耕，目前已形成完善的上下游产业链，且已有国内最大的化成箔工厂、电子光箔加工基地。公司聚焦以电容与电池两大产业链为核心的新能源赛道，积极布局产业上下游，大力投资建设新产线，释放产能，有望在行业中进一步快速发展。

凭借过硬的技术、产业一体化的能力，东阳光正编织起一个庞大的新能源、新材料商业“帝国”，同时获得了资本市场持续认可。公司前十大流通股东中，博时汇兴基金、富国成长基金、富国均衡优选基金在2022年第四季度增持股份。

业内认为，在行业分化的背景下，东阳光恪守资本市场的逻辑与纪律，钻研技术研发，向着全产业链迈进，未来必深受其惠。（思维财经出品）■

本文源自投资者网

「手把手教你」股票可视化分析之Pyecharts（一）

Pyecharts简介

Echarts 是百度基于JavaScript 开源的可视化图表库，而 Pyecharts 相当于是 Python+echarts，即使用 Python 语言调用 echarts 的开源库，可以制作非常精美的图表。实际上 Python 可视化库有很多，包括 Matplotlib、Seaborn、Bokeh 、Pygal、 Plotly 和 Pyecharts等等。其中 Matplotlib 是大家入门数据分析的最基本可视化工具；Seaborn 实际上是 matplotlib 的一个封装，提供了很多统计分析的基本图表；Bokeh、Pygal、Plotly 和 Pyecharts 等功能相似，可以输出非常精美的可视化图表，尤其是 Plotly 和 Pyecharts ，均支持动态可交互效果，但代码相对复杂。这些可视化库基本上都支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab，可以轻松集成至 Flask，Django 等主流 Web 框架。关于高级可视化库之间的优劣对比在此不做深入探究，读者可根据个人需要和编程习惯选择相应的库进行学习，本文将重点介绍 Pyecharts 及其在金融量化上的应用，代码均在Jupyter notebook上运行。关于Pyechart更详细完整的介绍可以参见其官网：Pyecharts。

01 版本与安装

Pyecharts 分为 v0.5.X（旧版） 和 v1 （新版）两个版本，两个不兼容，v1 是一个全新的版本。直接使用pip安装可获取最新版本：pip install pyecharts，如需使用旧版本，需要指定安装版本号，如：pip install pyecharts=0.5.11。本文使用的是1.9.1版的pyecharts，v0.5版本编程代码可参考公众号历史文章。

#查看电脑系统和库版本 #watermark是第三方库需要先安装, #在cmd（如安装的是anaconda，直接打开anaconda prompt）上输入：pip install watermark %load_ext watermark #%watermark 查看电脑版本 %watermark -p pyecharts,pandas,numpy,matplotlib,talib,backtrader,jupyter

pyecharts : 1.9.1 pandas : 1.3.2 numpy : 1.20.3 matplotlib: 3.3.4 talib : 0.4.19 backtrader: 1.9.76.123 jupyter : 1.0.0

02 模块导入与调用

图表的类在charts，*表示导入全部，一般不建议这么写，可根据图表类型导入，如柱状图和折线图：from pyecharts.charts import Bar,Line。配置项通过options（缩写为opts），用于修饰图表,进阶还可调用Javascript 的代码，导入JsCode：from pyecharts.commons.utils import JsCode。theme可以定制主题，导入：from pyecharts.globals import ThemeType，一般使用默认的ThemeType.WHITE。导入Faker可以使用自带的数据画图。

from pyecharts.charts import * from pyecharts import options as opts from pyecharts.faker import Faker

03 图表配置项

Pyecharts使用 options对图表的配置项进行设置，根据个人需要，为图表添加（减少）元素，美化和修饰图表。配置项非常多，包括全局配置项（set_global_opts）22个大类和系列配置项(结合数据系列进行配置)17个大类，每一个配置类下又有众多的参数设置。配置项为制作精美的图表提供了相当完善的功能选择，但是对新手来说相当不友好，各种类和参数选择让人眼花缭乱和望而生畏（老版本0.5.11在这方面简洁很多）。这里建议大家结合常用的图表类型模板学习几个常用的配置项,其他配置项基本上使用默认参数即可。

图片来源：https://pyecharts.org/#/zh-cn/global_options

pyecharts 对配置项基本上都采用 XXXOpts/XXXItems 以及 dict 两种数据形式进行调用，下面介绍几个常用的配置项。
(1)全局配置项，通过set_global_opts 方法设置

InitOpts：初始化配置项，一般在图表函数内加载，如Bar(init_opts=opts.InitOpts(width='900px',height='600px',设置图表画布宽width高height（'数字+px'）,theme: str = "white"图表主题));

TitleOpts：标题配置项title_opts=opts.TitleOpts(title=,subtitle=,pos_left=)，其中主标题title,副标题subtitle, # title 组件离容器左侧的距离,pos_left = 可选'left', 'center', 'right'或如20、20%。离右侧距离,pos_right= None,顶部距离pos_top = None,可选'top', 'middle', 'bottom'或数字或百分比。底部距离，pos_bottom: = None,);

DataZoomOpts：区域缩放配置项,默认不显示， datazoom_opts=opts.DataZoomOpts(is_show=True或False,type_: str = "slider"或"inside" ,range_start=:数据窗口范围的起始百分比：0 ~ 100表示 0% ~ 100%,range_end=:数据窗口范围结束百分比,xaxis_index= number表示控制一个轴，Array表示控制多个轴,yaxis_index=同xaxis_index的设置，位置pos_left同title);

LegendOpts：图例配置项，默认不显示，legend_opts=opts.LegendOpts(is_show: bool = True是否显示,位置pos_left同title,orient= 布局朝向,可选：'horizontal', 'vertical',);

VisualMapOpts：视觉映射配置项，默认不显示，visualmap_opts=opts.VisualMapOpts(is_show: bool = True,type_: str = "color",映射过渡类型可选"color", "size"，min_ = 0,max_ = 100,分别指定 visualMapPiecewise 组件的最小值和最大值,orient = "vertical"或"horizontal",split_number: int = 5,对于连续型数据，自动平均切分成几段,is_piecewise: bool = False,是否分段，pieces=[]指定每一段范围，如[{"min": 1500},{"min": 900, "max": 1500},{"max": 1500} ]);

(2)系列配置项

ItemStyleOpts：图元样式配置项，itemstyle_opts=opts.ItemStyleOpts(color=图形颜色，颜色可以使用 RGB 表示，比如 'rgb(128, 128, 128)'，如果想要加上 alpha 通道表示不透明度，可以使用 RGBA，比如 'rgba(128, 128, 128, 0.5)'，也可以使用十六进制格式，比如 '#ccc',color0:阴线图形的颜色,border_color=图形的描边颜色,border_color0=阴线图形的描边颜色,opacity=图形透明度,支持从 0 到 1 的数字为 0 时不绘制该图形,area_color=区域的颜色)， 参考十六进制颜色转换；

LabelOpts：标签配置项， label_opts=opts.LabelOpts(is_show: bool = True是否显示标签,position=标签的位置,可选 ['top'，'left'，'right'，'bottom'，'inside'，'insideLeft'，'insideRight''insideTop'，'insideBottom'， 'insideTopLeft'，'insideBottomLeft' 'insideTopRight'，'insideBottomRight'], formatter=模板变量有 {a}, {b}，{c}，{d}，{e}，分别表示系列名，数据名，数据值等,折线（区域）图、柱状（条形）图、K线图 : {a}（系列名称），{b}（类目值），{c}（数值）, {d}（无）散点图（气泡）图 : {a}（系列名称），{b}（数据名称），{c}（数值数组）, {d}（无）地图 : {a}（系列名称），{b}（区域名称），{c}（合并数值）, {d}（无）饼图、仪表盘、漏斗图: {a}（系列名称），{b}（数据项名称），{c}（数值）, {d}（百分比）示例：formatter: '{b}: {@score}');

LineStyleOpts：线样式配置项，linestyle_opts=opts.ItemStyleOpts(is_show= True是否显示,color=线条颜色, width= 1,线宽,curve = 线的弯曲度，0 表示完全不弯曲,type_: str = "solid", 线的类型可选：'solid', 'dashed', 'dotted',);

SplitLineOpts：分割线配置项, 在全局配置项中使用.set_global_opts(yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show = True显示分割线)))。

可视化实战案例

本文主要介绍直角坐标系图表及其应用案例，其余图表将在下一次推文中介绍。直角坐标系图表继承自 RectChart 拥有一些相同或相似的方法。

新增 X 轴数据.add_xaxis(xaxis_data=list数据)

翻转 XY 轴数据,.reversal_axis()

扩展 X/Y 轴,.extend_axis(xaxis_data=扩展X坐标数据项,xaxis=扩展 X 坐标轴配置项,yaxis=新增 Y 坐标轴配置项)

新增 Y 轴数据.add_yaxis(series_name='',y_axis=序列数据,xaxis_index= 使用的 x 轴的 index，在单个图表实例中存在多个 x 轴的时候有用
yaxis_index = 使用的 y 轴的 index，label_opts=标签配置项，markpoint_opts=标记点配置项,markline_opts=标记线配置项,tooltip_opts=提示框组件配置项)

#导入数据分析和量化常用库 import pandas as pd import numpy as np import talib as ta import tushare as ts #导入pyecharts from pyecharts.charts import * from pyecharts import options as opts from pyecharts.commons.utils import JsCode

01 折线图Line

折线图是考察金融时间序列数据趋势最常用的图表之一。下面使用tushare旧接口在线获取股票交易数据进行可视化分析。

#股票数据可视化分析实例 #获取A股交易数据 def get_price(code='sh',start='2000-01-01',end='2022-03-07'): df=ts.get_k_data(code,start,end) df.index=pd.to_datetime(df.date) #将成交量单位改为10000手并取整数 df['volume']=(df['volume']/10000).apply(int) return df[['open','close','high','low','volume']] sh=get_price() #sh.head()

最基本折线图，全使用默认参数。

g=(Line() .add_xaxis(sh.index.strftime('%Y%m%d').tolist()) .add_yaxis('',sh.close)) g.render_notebook()

添加全局和系列配置项。

#不同点位设置不同颜色 des=sh.close.describe() v1,v2,v3=np.ceil(des['25%']),np.ceil(des['50%']),np.ceil(des['75%']) pieces=[{"min": v3, "color": "red"}, {"min": v2, "max": v3, "color": "blue"}, {"min": v1, "max": v2, "color": "black"}, {"max": v1, "color": "green"},] #链式调用作用域() g = ( Line({'width':'100%','height':'480px'})#设置画布大小，px像素 .add_xaxis(xaxis_data=sh.index.strftime('%Y%m%d').tolist())#x数据 .add_yaxis( series_name="",#序列名称 y_axis=sh.close.values.tolist(),#添加y数据 is_smooth=True, #平滑曲线 is_symbol_show=False,#不显示折线的小圆圈 label_opts=opts.LabelOpts(is_show=False), linestyle_opts=opts.LineStyleOpts(width=2),#线宽 markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),],symbol_size=[100,30]), markline_opts=opts.MarkLineOpts(#添加均值辅助性 data=[opts.MarkLineItem(type_="average")], )) .set_global_opts(#全局参数设置 title_opts=opts.TitleOpts(title='上证指数走势', subtitle='2000年-2022年',pos_left='center'), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), visualmap_opts=opts.VisualMapOpts(#视觉映射配置 orient = "horizontal",split_number = 4, pos_left='center',is_piecewise=True, pieces=pieces,),) .set_series_opts( markarea_opts=opts.MarkAreaOpts(#标记区域配置项 data=[ opts.MarkAreaItem(name="牛市", x=("20050606", "20071016")), opts.MarkAreaItem(name="牛市", x=("20140312", "20150612")),],))) #使用jupyter notebook显示图形 g.render_notebook()

高阶应用：股价收益率与波动率可视化

此处代码较长省略。完整代码见Python金融量化知识星球。

02 柱状图Bar

下面以上证指数和创业板指数2010-2022年的年收益率构建柱状图，比较考察不同指数在各年的收益率情况。

indexs={'上证综指':'sh','创业板':'cyb'} index_price=pd.DataFrame({index:get_price(code).close for index,code in indexs.items()}).dropna() #index_price.head()

#指数年度收益率柱状图 index_ret=index_price/index_price.shift(1)-1 ss=index_ret.to_period('Y') sss=(ss.groupby(ss.index).apply(lambda x: ((1+x).cumprod()-1).iloc[-1])*100).round(2)

使用全部默认参数下的年收益率柱状图。

g=(Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("", sss['上证综指'].tolist())) g.render_notebook()

添加全局配置项和系列配置项，使图表反映更多细节，同时可以根据时间段进行区域缩放。

g = (Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("上证综指", sss['上证综指'].tolist(),gap="0%") .add_yaxis("创业板", sss['创业板'].tolist(),gap="0%") #添加全局配置项 .set_global_opts(title_opts=opts.TitleOpts(title="指数月收益率"), datazoom_opts=opts.DataZoomOpts(),#区域缩放配置项 yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}%"))) .set_series_opts(#添加序列配置项 label_opts=opts.LabelOpts(is_show=True,formatter='{c}%'))) g.width = "100%" #设置画布比例 g.render_notebook()

高阶应用：2021年全球资产收益率对比分析。

此处代码较长省略。完整代码见Python金融量化知识星球。

03 K线图Kline

K线图是对证券交易行情可视化的最基本图表之一，也是我们股票量化分析的最基本工具。

#计算指标 def get_data(code,start='2021-01-01',end=''): df=get_price(code,start,end) df['ma5']=df.close.rolling(5).mean() df['ma20']=df.close.rolling(20).mean() df['macd'],df['macdsignal'],df['macdhist']=ta.MACD(df.close,fastperiod=12,slowperiod=26,signalperiod=9) return df.dropna().round(2)

df=get_data('sh') #df.head()

使用默认参数可以得到最基本的K线图。

g = (Kline() .add_xaxis(df['2022':].index.strftime('%Y%m%d').tolist()) #y轴数据，默认open、close、low、high，转为list格式 .add_yaxis("",y_axis=df[['open', 'close', 'low', 'high']]['2022':].values.tolist()) ) g.render_notebook()

添加全局和系列配置项，强化细节展示。

def draw_kline(data): g = (Kline() .add_xaxis(data.index.strftime('%Y%m%d').tolist()) #y轴数据，默认open、close、high、low，转为list格式 .add_yaxis(series_name="", y_axis=data[['open', 'close', 'low', 'high']].values.tolist(), itemstyle_opts=opts.ItemStyleOpts( color="red",#阳线红色 color0="green",#阴线绿色 border_color="red", border_color0="green",), markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),]), #添加辅助性，如某期间内最大max最小值min均值average markline_opts=opts.MarkLineOpts( data=[opts.MarkLineItem(type_="average", value_dim="close")], ),) .set_global_opts( datazoom_opts=[opts.DataZoomOpts()],#滑动模块选择 title_opts=opts.TitleOpts(title="股票K线图",pos_left='center'),)) return g

draw_kline(df).render_notebook()

高阶应用：K线图叠加成交量和技术指标。

#完整代码见Python金融量化知识星球。 def kline_volume_ta(data): pass

kline_volume_ta(df).render_notebook()

04 散点图Scatter

散点图通常用来反映两个变量之间的统计关系。pyecharts还支持展示多变量随着时间的变动趋势。

#创业板和上证综指历年收益率数据 #sss.head()

g = ( Scatter() .add_xaxis([str(d) for d in sss.index.year]) .add_yaxis("上证综指(%)",sss['上证综指'].tolist()) .add_yaxis("创业板(%)", sss['创业板'].tolist()) .set_global_opts( title_opts=opts.TitleOpts(title="指数历年收益率"), visualmap_opts=opts.VisualMapOpts(type_="size", is_show=False), xaxis_opts=opts.AxisOpts(type_="category", axisline_opts=opts.AxisLineOpts(is_on_zero=False), ), yaxis_opts=opts.AxisOpts(is_show=False,)) ) g.width = "100%" g.render_notebook()

g = (
Scatter()
.add_xaxis(sss['上证综指'].tolist())
.add_yaxis("", sss['创业板'].tolist(),
symbol_size=20,
label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts('上证综指 VS 创业板'),
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(name='上证综指',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%')),
yaxis_opts=opts.AxisOpts(name='创业板',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%'),)))
g.width = "100%"
g.render_notebook()

05 热力图HeatMap

热力图实际上是个三维结构，考察两个特征维度下值的变动趋势。热力图可以应用在指数周期变化和热点板块轮动分析等。下面以指数近10年来月收益率的涨跌幅为例构建热力图。

heat_data=(index_price/index_price.shift(1)-1).to_period('M') heat_data=heat_data.groupby(heat_data.index).apply(lambda x: ((((1+x).cumprod()-1).iloc[-1])*100).round(2)) heat_data=heat_data['2011':'2021'] #heat_data.tail()

构建热力图的难点在于数据项value的值。

value = [[i,j,heat_data['上证综指'][str(2011+i)+'-'+str(1+j)]] for i in range(11) for j in range(12)] year=[str(i) for i in range(2011,2022)] month=[str(i)+'月' for i in range(1,13)] g = (HeatMap() .add_xaxis(year) .add_yaxis("", month, value, label_opts=opts.LabelOpts(is_show=True, position="inside"),) .set_global_opts( title_opts=opts.TitleOpts(title="上证综指月收益率(%)"), visualmap_opts=opts.VisualMapOpts(is_show=False,min_=-30,max_=30,))) g.render_notebook()

高阶应用：根据涨跌幅范围设置不同显示颜色

#不同点位设置不同颜色 代码省略。完整代码见Python金融量化知识星球。

结语

本文简单介绍了 Pyecharts （V1）基本情况、安装、模块调用和参数设置，并以股票交易数据为例，为大家展示了使用 Pyehcarts 构建直角坐标系下常用的图表，包括折线图、柱状图、K线图和热力图等。下一篇推文将进一步介绍Pyecharts其他图表的构建方法，包括日历图、仪表盘、地图、关系图等等，同时分享这些常见的图表在金融量化上的应用实例。

上一篇：炒股线上开户步骤(手机炒股步骤)

下一篇：出品人是什么意思_(出品人是啥)